O uso de inteligência artificial avança rapidamente no setor de seguros e já influencia decisões como precificação, triagem de sinistros e detecção de fraudes em seguradoras brasileiras. A tecnologia deixou de ser apenas uma aposta de inovação para ganhar espaço em operações estratégicas do mercado. Ainda assim, sua aplicação encontra barreiras em áreas como subscrição de riscos complexos e análise de sinistros de alto valor. O principal obstáculo não é técnico, mas regulatório: cresce a preocupação sobre como garantir transparência, rastreabilidade e auditoria em decisões tomadas por algoritmos probabilísticos.
Segundo Jonatas Félix, co-fundador e CTO da Abaccus, as seguradoras brasileiras já operam modelos preditivos em precificação e triagem de sinistros, além de ferramentas de detecção de fraude. Mas decisões críticas, como subscrição de riscos complexos ou sinistros de alto valor, ainda dependem do julgamento humano. "A inteligência artificial avança onde pode errar em silêncio. Onde o erro tem consequência jurídica ou regulatória, ela ainda espera na antessala", afirma.
O avanço, porém, já é concreto e mensurável. Um levantamento da McKinsey & Company mostra que seguradoras que adotaram modelos avançados de análise conseguiram melhorar margens de perda em até cinco pontos percentuais, elevar prêmios de novos negócios entre 10% e 15% e aumentar a retenção em segmentos rentáveis de 5% a 10%. Em alguns casos, o tempo de emissão e aceitação de apólices caiu pela metade, enquanto 95% das propostas passaram a ser processadas automaticamente.
Os resultados reforçam que a inteligência artificial já transforma a operação das seguradoras em escala relevante, e é justamente por isso que a discussão sobre governança deixou de ser teórica. À medida que algoritmos assumem etapas mais sensíveis da cadeia decisória, cresce a pressão por mecanismos de explicabilidade, rastreabilidade e auditoria.
Félix identifica três bloqueios principais para uma adoção mais ampla da IA em decisões críticas. O primeiro é a ausência de rastreabilidade decisória, já que modelos complexos como redes neurais produzem respostas sem caminho auditável. O segundo é a fragmentação de dados, acumulados em sistemas legados incompatíveis. "O terceiro é institucional, já que falta clareza sobre quem é responsável quando a IA erra, o que trava equipes jurídicas e de compliance", acrescenta.
Segundo o executivo, os problemas já aparecem de forma concreta nas operações das seguradoras. "Na nossa base de clientes do setor de seguros, observamos que cerca de 70% das regras críticas ainda estão dispersas em planilhas, enquanto aproximadamente 60% das decisões automatizadas não possuem trilha de auditoria adequada", afirma.
O estudo do Bank for International Settlements (BIS) também alerta: a limitada explicabilidade de modelos complexos de IA, especialmente em aplicações críticas de negócios, representa um desafio crescente para órgãos reguladores e instituições financeiras. Com isso, o avanço da inteligência artificial em decisões estratégicas pode aumentar a pressão por mecanismos de transparência, rastreabilidade e auditoria dos sistemas automatizados.
Para o especialista, a rastreabilidade não é apenas um problema de IA, mas de arquitetura de decisão. Ele explica que são necessárias três camadas tecnológicas: um motor de regras de negócio que centralize a lógica decisória de forma legível, um sistema de versionamento que registre qual regra foi aplicada em cada decisão e uma camada de explicabilidade (XAI) que traduza o output do modelo em fatores compreensíveis para reguladores e segurados.
"Sem essas três camadas integradas, a seguradora até consegue automatizar, mas não consegue auditar. Automatizar sem auditar é trocar um risco operacional por um risco regulatório", observa o co-fundador e CTO da Abaccus.
A Lei Geral de Proteção de Dados (LGPD) já garante ao titular o direito de revisão de decisões automatizadas, obrigando seguradoras a documentar seus modelos. Embora a Superintendência de Seguros Privados (Susep) ainda não tenha publicado uma regulamentação específica sobre IA, ela acompanha o movimento global, especialmente o AI Act europeu, que classifica underwriting e sinistros como sistemas de alto risco e exige explicabilidade e supervisão humana.
"As seguradoras que se preparam agora para auditabilidade e explicabilidade vão ter uma vantagem competitiva real quando essa regulamentação chegar. As que esperarem vão ter que fazer um retrofitting doloroso", ressalta.
Jonatas Félix avalia ainda que o mercado brasileiro não está preparado para futuras exigências de auditoria algorítmica. "Preparação não se constrói em seis meses antes da regulamentação. É uma mudança de arquitetura que precisa acontecer enquanto os sistemas estão em produção. As exceções são algumas insuretechs e grupos globais que já nasceram com essa mentalidade", afirma.
Além da tecnologia, o executivo afirma que há gargalos culturais e operacionais. Segundo ele, muitas regras de negócio ainda estão dispersas em documentos e memórias individuais, dificultando a formalização necessária para automação. "Decisões críticas carregam peso financeiro e jurídico alto. Entregar parte desse julgamento para um sistema exige mudança de mentalidade, que só acontece com transparência e evidência de que o profissional continua relevante", conclui.
Sobre Jonatas Félix
Jonatas Félix é cofundador e CTO da Abaccus, plataforma brasileira de gestão de regras de negócio e cálculos que atende seguradoras e empresas de diversos segmentos no Brasil.
Para saber mais, basta acessar: https://abaccus.com.br/
